PENERAPAN ILMU GRAFOLOGI DALAM MEMBANGUN PIRANTI PENGANALISA TULISAN TANGAN MELALUI EKSTRAKSI FITUR BENTUK

SNTI IV-2014 Universitas Trisakti

ISSN : 2355-925X

PENERAPAN ILMU GRAFOLOGI DALAM MEMBANGUN PIRANTI PENGANALISA TULISAN TANGAN MELALUI EKSTRAKSI FITUR BENTUK 1)

2)

3)

Dian Pratiwi , Anung Barlianto Ariwibowo . Fetty Octaviyanti 1) Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Trisakti E-mail: [email protected]

2) Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Trisakti E-mail: [email protected]

3) Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Trisakti E-mail: [email protected]

Abstrak Penelitian ini dilakukan dengan tujuan untuk merancang sebuah alat bantu berupa perangkat lunak yang dapat menganalisis tulisan tangan berdasarkan ilmu grafologi dengan mempergunakan teknologi komputer dari hasil digitasi sekumpulan bentuk tulisan tangan. Metode yang diterapkan dalam penelitian ini terdiri dari beberapa tahap, yaitu tahap pengumpulan data tulisan tangan, tahap digitasi dan pre-processing, segmentasi atau pembentukan grid-grid, ekstraksi fitur/ciri bentuk tulisan, pembentukan cluster pola tulisan dengan fuzzy c-means, dan perhitungan persentase serta analisa melalui similarity measure. Dari penelitian ini, hasil akhir menunjukkan bahwa pengujian dari 162 data tulisan training dan 84 data tulisan non-training memiliki persentase keberhasilan antara 62.3 - 63.3%. Sehingga dapat disimpulkan bahwa sistem penganalisa tulisan tangan yang dikembangkan cukup berhasil dalam mengidentifikasi ciri atau karakterisitik bentuk dari setiap tulisan tangan yang diujikan dan dapat dipergunakan sebagai alat bantu dalam mengenali/mengetahui kepribadian seseorang Kata kunci: Grafologi, fuzzy c-means, similarity measure, ekstraksi fitur, tulisan tangan

Pendahuluan Saat ini perkembangan berbagai jenis teknologi komputer telah berkembang pesat mengikuti berbagai kebutuhan yang ada. Teknologi komputer tidak lagi asing dan hanpir setiap individu telah mempergunakannya dalam kehidupan sehari-hari, seperti dalam penggunaan notebook, atau laptop. Kemajuan ini juga berdampak pula pada perkembangan di piranti perangkat lunaknya (software), seperti pada piranti penganalisa tulisan tangan (handwriting analyzer). Piranti penganalisa tulisan tangan hingga kini masih sangat terbatas dan belum banyak dikembangkan. Di Indonesia bahkan baru tercatat hanya satu orang saja yang telah menjadi seorang Grafolog, yaitu Deborah Dewi, yang sudah mendapatkan sertifikasi dari American Association of Handwriting Analyst (AAHA) dan American Handwriting Analysis Foundation (AHAF). Hal ini dapat dikarenakan teknik pembacaan karakter dari sebuah tulisan tangan di dalam grafologi masih cukup sulit diinterpretasikan ke dalam teknologi komputer. Salah seorang pakar Grafologi lainnya dari Amerika yang bernama Clifford Howard, di dalam bukunya yang berjudul “Graphology” memberikan penjelasan bahwa ciri khas sebuah tulisan tangan dapat mendeskripsikan banyak hal mengenai sifat serta kepribadian seseorang. Tidak hanya perilaku, namun kesehatan psikis, mental serta kelebihan dan kekurangan yang ada pada diri seseorang dapat tergambar dalam sebuah tulisan tangan. Hal inilah yang kemudian peneliti coba kembangkan dan implementasikan dalam bentuk perangkat lunak guna membantu mempermudah menganalisis tulisan tangan, melalui teknik ekstraksi fitur dan clustering. Hasil pola tulisan yang dihasilkan dari proses ekstraksi dan clustering ini akan dibandingkan dengan analisa bentuk tulisan tangan yang ada di dalam ilmu grafologi, yang kemudian diinterpretasikan menjadi gambaran informasi kepribadian, karakter dan ciri khas bentuk tulisan tangan yang dominan. Penelitian mengenai grafologi pada dasarnya sudah pernah dikembangkan oleh beberapa peneliti dunia sebelumnya. Seperti pada penelitian yang dilakukan oleh Coll R. et al pada tahun 2009 yang berjudul “Graphological Analysis of Handwriting Text Documents for Human Resources Recruitment”, telah berhasil menunjukkan adanya keterkaitan antara tulisan tangan dengan kepribadian seseorang dengan tingkat akurasi sebesar 89% melalui metode Backpropagation Artificial Neural Network. Penelitian yang hampir sama juga pernah dilakukan oleh Kamath V. et al pada tahun 2011 dengan judul “Development of An Automated Handwriting Analysis Sistem”, dimana penelitian ini menghasilkan akurasi sebesar 80% melalui metode Image 82-1

SNTI IV-2014 Universitas Trisakti

ISSN : 2355-925X

Processing dan Trait Acquisition setelah dibandingkan dengan hasil analisa secara manual. Kedua penelitian tersebut memberikan acuan kepada penulis untuk dapat lebih mengembangkan lagi ilmu grafologi ke dalam teknologi komputer, dimana sisi pengembangannya akan terlihat dari penggunaan metode yang berbeda yaitu melalui metode Shape Based Feature Extraction dan Clustering, serta cara pengujiannya yang dapat dilakukan secara online melalui bantuan alat Digitizer sehingga tulisan tangan yang akan dianalisa karakternya dapat dimasukkan dan dianalisa secara langsung tanpa perlu dilakukan pre-processing maupun scanning tulisan terlebih dahulu seperti pada penelitian sebelumnya. Kemampuan piranti handwriting analyzer ini pada penggunaannya diharapkan dapat dimanfaatkan oleh para pakar grafologi, kriminalogi, personalia maupun psikolog untuk membantu mereka dalam mengenali dan menganalisis kepribadian seseorang. Studi Pustaka Di dalam penelitian ini, terdapat beberapa teori penunjang yang digunakan, yaitu : 1 Pra-Pengolahan (Pre-Processing) Merupakan tahap awal yang perlu dilakukan untuk mendapatkan data tulisan berbentuk digital dengan ukuran piksel dan nilai gray level yang sama dari sekumpulan tulisan tangan analog yang telah didigitasi melalui alat digitizer maupun scanner . a) Konversi warna RGB ke Greyscale Konversi warna RGB ke greyscale merupakan tahap untuk nilai warna 24 bit menjadi 8 bit, sehingga ukuran warna yang dihasilkan akan lebih kecil dengan interval antara 0 hingga 255 [Pratiwi D, 2012]. b) Thresholding Thresholding merupakan proses untuk memisahkan daerah objek dengan daerah latar belakangnya melalui nilai ambang tertentu [Pratiwi D, 2011]. Pada penelitian ini, nilai ambang atau threshold ditentukan pula dengan cara trial and error. 2 Pembentukan ROI atau Grid (Gridding) Pembentukan ROI (Region of Interest) merupakan teknik yang umumnya dilakukan untuk membantu analisis dari objek yang akan diamati, seperti pada analisis citra fMRI yang dilakukan oleh peneliti dari UCLA-Los Angeles, Russell A. Poldrack tahun 2007 [Poldrack R.A, 2007]. Teknik ini dapat meningkatkan keberhasilan pada tahap pengenalan, karena dengan pembentukan ROI, proses ekstraksi fitur yang akan dilakukan hanya terbatas pada region atau wilayah tertentu yang sudah dibatasi.

Gambar 1. Contoh Ekstraksi melalui ROI [Kim G, 2009] Ekstraksi Ciri (Feature Extraction) Ektraksi ciri merupakan tahap penting dari aplikasi pengenalan maupun analisis pola. Tahap ini akan memberikan hasil berupa nilai-nilai fitur yang akan diukur atau dikenali sebagai pola. Dengan adanya ekstraksi fitur atau ciri, informasi penting dari sebuah data (yang di dalam penelitian ini adalah berupa data citra berisi tulisan tangan) akan dapat diambil dan disimpan dalam vektor fitur atau vektor ciri (feature vector) [Pratiwi D, 2011]. Fitur-fitur yang dapat diekstrak di dalam data citra diantaranya berupa fitur warna, bentuk, dan tekstur. Dan dalam penelitian ini, fitur yang akan diekstrak adalah berdasarkan representasi bentuk tulisan tangan. Nilai-nilai fitur dari ekstraksi tulisan tangan berbasis bentuk akan berupa nilai-nilai biner (bernilai ‘0’ atau ‘1’) terhadap setiap grid untuk masing-masing citra, dimana nilai ‘0’ akan diberikan jika representasi grid merupakan objek background, dan nilai ‘1’ jika representasi grid adalah objek foreground dengan minimal 15% dari total piksel masing-masing grid adalah objek foreground [Lu G, 1999]. 4 Pembentukan Kluster (Clustering) Pembentukan cluster digunakan pada penelitian ini untuk mengelompokkan hasil ekstraksi fitur bentuk, sesuai dengan jumlah cluster bentuk tulisan tangan yang diacu pada ilmu grafologi. 3

82-2

SNTI IV-2014 Universitas Trisakti

ISSN : 2355-925X

Metode yang digunakan adalah Fuzzy C-Means, yaitu metode pengembangan dari Hard K-Means dimana perolehan pusat cluster ditentukan dari pencarian nilai-nilai keanggotan secara berulang dengan jarak yang minimal. Fuzzy C-Means dalam pemanfaatannya juga dapat digunakan untuk melakukan segmentasi citra medis yang ingin dianalisa, sehingga mempermudah proses diagnosa seperti pada penelitian Zhou et al [Zhou H et al, 2009]. Rumus Fuzzy C-Means adalah sebagai

berikut : (1) Dimana Xi adalah citra tulisan tangan ke-i dengan N total vektor fitur, Vk adalah pusat kelas (centroid) ke-k dari c total class, dan J adalah kuantitatif jarak yang diperoleh. Untuk inisialisasi awal, pusat kelas (V) akan dipilih secara acak dari keseluruhan total citra tulisan tangan yang digunakan. Sedangkan u adalah nilai vektor fitur dari pusat kelas dari k hingga total m pusat kelas. 5 Pengenalan Pola (Pattern Recognition) Pengenalan pola merupakan salah satu teknik dari ilmu kecerdasan buatan atau Artificial Intelligence (AI) yang bertujuan untuk mengenali fitur atau ciri-ciri khusus dari sekumpulan data (baik berupa dokumen teks maupun citra) dan mengklasifikasikannya [Absultanny Y.A, 2003]. Pengenalan pola dapat dilakukan dengan beberapa cara, salah satunya yaitu dengan menggunakan metode Similarity Measures. Similarity measures merupakan metode yang dapat digunakan untuk mencari kesamaan dari objek yang satu dengan yang lainnya, melalui penghitungan jarak diantaranya [Huang A, 2008]. Seperti pada penelitian yang dilakukan Anna Huang pada tahun 2008, penelitian ini juga mempergunakan teknik similarity measures dalam mengenali pola-pola tulisan tangan melalui perhitungan jarak diantara pola-pola tersebut dengan menggunakan rumus euclidean distance [Huang A, 2008]. 6 Interpretasi Grafologi (Graphology) Grafologi adalah suatu ilmu yang mempelajari teknik pembacaan karakter manusia melalui tulisan tangan dari berbagai sudut pandang [Howard C, 1922]. Penelitian tentang ilmu grafologi telah banyak dipergunakan untuk membantu mencari tahu kepribadian dan karakter seseorang. Para ahli grafologi (graphologist) menyatakan bahwa sebuah tulisan tangan dapat memberikan informasi mengenai kekuatan dan kelemahan karakter seseorang, tingkah laku seseorang dalam menghadapi situasi tertentu, dan kondisi kesehatan psikologi, mental, dan kemampuan interaksi seseorang pada situasi terkini. Dalam memberikan analisa, ilmu grafologi memiliki beberapa sudut pembacaan dari kategori bentuk tulisan tangan, seperti kemiringan tulisan, tekanan, ukuran, dan jarak tulisan [Ludvianto B, 2013]. Setiap kategori tulisan tangan tersebut memiliki analisa kepribadian dan karakter yang berbeda-beda pula. 7 Perhitungan Persentase Keberhasilan Pengenalan Pola (Accuracy) Tahap ini merupakan tahap akhir, dimana setiap data citra tulisan tangan yang diuji akan dilihat tingkat keberhasilan pengenalannya. Rumus yang digunakan yaitu :

(2) Metodologi Penelitian Pada tahap awal penelitian ini, sekumpulan tulisan tangan yang dipergunakan di dalam pengujian awal (training) dan pengujian akhir (testing) didigitasi menjadi kumpulan tulisan tangan digital. Bila sudah dalam bentuk digital, kemudian dilakukan tahap pemilihan kata dari setiap lembaran data tulisan tangan. 82-3

SNTI IV-2014 Universitas Trisakti

ISSN : 2355-925X

Berikut merupakan tabel yang berisikan jumlah data yang berhasil dikumpulkan untuk setiap class dan sub-class nya setelah tahap pemilihan kata dan pre-processing : Tabel 1. Pembagian Class, Sub-Class dan Jumlah Data Tulisan Tangan yang Dikumpulkan dari 22 Narasumber berdasarkan buku Graphology Class Sub-Class Amount of Data Besar 12 Ukuran (Size) Medium 29 Kecil 18 Miring ke Kanan 37 Kemiringan (Slant) Miring ke Kiri 13 Vertikal/Tegak 14 Datar 47 Garis Dasar (Baseline) Naik 8 Turun 9 Putus-putus 7 Jeda Huruf (Breaks) Tersambung/Terhubung 52 Setelah tahap pre-processing selesai, setiap wilayah citra kemudian dilakukan proses gridding atau pembentukan grid-grid. Setiap citra yang berukuran 400x1000 piksel akan dibagi menjadi grid-grid dengan ukuran masing-masing grid sebesar 100x100 piksel. Hasil dari proses gridding ini akan memberikan total grid sebanyak 4x10 grid untuk setiap citra tulisan tangan. Masing-masing grid dari setiap citra tulisan tangan kemudian akan dilakukan proses ekstraksi fitur berdasarkan bentuk, dimana piksel-piksel setiap grid-nya akan dianalisis dengan aturan : Jika Piksel Foreground >= 15% Grid adalah Objek Foreground Grid bernilai biner ‘1’ Jika Piksel Foreground < 15% Grid adalah Objek Background Grid bernilai biner ‘0’ Setelah tahap ekstraksi ciri selesai, maka kemudian dilakukan pengelompokkan pola dari setiap bentuk tulisan tangan menjadi 4 class, dimana setiap class akan memiliki centroid sebagai analisa dominan yang terlihat dari bentuk tulisan. Setiap class tersebut akan memiliki nilai karakter tulisan yang berbeda, yang disesuaikan dengan analisa bentuk pola tulisan tangan pada ilmu grafologi. Setiap centroid kemudian akan dihitung nilai jarak perbedaannya dengan sejumlah data pengujian melalui metode similarity measure. Jika jarak yang didapatkan semakin kecil, maka tulisan tangan tersebut akan semakin cocok atau mirip. Persentase tingkat keberhasilan dari hasil analisa pada penelitian ini kemudian bisa dihitung melalui perbandingan jumlah keseluruhan citra tulisan tangan yang berhasil dicocokkan dengan kepribadian asli pemilik tulisan berdasarkan teknik grafologi terhadap total data tulisan tangan yang diuji. Hasil dan Pembahasan Secara keseluruhan, total data yang dipergunakan di dalam penelitian ini berjumlah 246 tulisan tangan (setelah melalui tahap pre-processing) dari 22 narasumber (plate) yang tersedia di dalam buku acuan ‘Graphology’ karya Clifford Howard. Jumlah data tulisan tangan digital tersebut kemudian dibagi menjadi dua kategori data, yaitu data pengujian awal (training) sebanyak 162 buah, dan data pengujian akhir (testing) sebanyak 84 buah. Dari 162 data pengujian awal, dilakukan tahap pencarian nilai centroid untuk setiap subclass atau sub-cluster nya melalui metode Fuzzy C-Means. Nilai-nilai centroid tersebut akan digunakan sebagai acuan dalam menguji setiap tulisan tangan (baik data training maupun testing) dalam menentukan class yang sesuai dan analisa kepribadiannya.

82-4

SNTI IV-2014 Universitas Trisakti

ISSN : 2355-925X

Tabel 2. Persentase Akurasi Pengujian Awal Data Training Tulisan Tangan

Dari tabel 2 terlihat bahwa persentase akurasi tertinggi didapat pada pengenalan bentuk tulisan berdasarkan class Baseline yaitu sebesar 73.8%, sedangkan akurasi terendah didapat pada pengenalan bentuk tulisan berdasarkan class Size yaitu sebesar 46%. Dengan persentase rata-rata keberhasilan mencapai 62.3%, pengujian ini kemudian dilakukan kembali terhadap data-data tulisan tangan non-training untuk mendapatkan nilai akurasi akhir pada sistem yang dibangun. Tabel 3. Persentase Akurasi Pengujian Awal Data Training Tulisan Tangan

Pada tabel 3 di atas menunjukkan bahwa akurasi tertinggi dari pengujian akhir didapat pada class Breaks dengan persentase mencapai 94.4%, sedangkan akurasi terendah didapat pada pengenalan bentuk tulisan berdasarkan class Size yaitu sebesar 41%. Jika dibandingkan dengan pengujian awal, hasil rata-rata akurasi tersebut tidak jauh berbeda yaitu sebesar 63.3% (hanya selisih 1%). Sehingga dari pengujian ini dapat disimpulkan bahwa akurasi sistem pada penelitian ini berkisar antara 62.3 hingga 63.3%, dan dapat digunakan sebagai piranti dalam menganalisa tulisan tangan untuk diketahui kepribadiannya.

Gambar 2. Tampilan Pengujian Akhir dalam Menganalisa Tulisan Tangan Digital 82-5

SNTI IV-2014 Universitas Trisakti

ISSN : 2355-925X

Kesimpulan Dari hasil penelitian ini, didapat beberapa kesimpulan diantaranya : a) Fitur yang paling tepat untuk dijadikan sebagai ciri-ciri utama dalam mengenali kepribadian seseorang dari tulisan tangan adalah fitur Breaks, dengan persentase keberhasilan pengklasifikasian paling tinggi yaitu sebesar 94,4%. Hal ini dapat dikarenakan fitur ini paling mudah diidentifikasi, baik secara sistem maupun visual jika dibandingkan dengan jenis fitur lainnya b) Fitur yang memiliki persentase pengujian paling rendah dalam sistem penganalisa tulisan tangan adalah fitur Size,yaitu akurasi hanya sebesar 46% (dari pengujian awal atau training) dan 41% (dari hasil pengujian akhir atau testing). Hal ini bisa karena fitur ini paling sulit untuk diidentifikasi oleh sistem akibat kemungkinan perubahan ukuran dari tahap pre-processing yang dilakukan, serta belum memiliki standar pengukuran yang jelas dalam mengidentifikasi ukuran tersebut dan hanya terbatas oleh pengukuran secara visual oleh pandangan pakar grafologi c) Rata-rata persentase tingkat keberhasilan dari pengujian akhir sebanyak 84 data pada sistem analisis tulisan tangan ini adalah sebesar 63,3%, dan memiliki selisih hanya 1% dari hasil pengujian awal atau training dari 162 data yaitu sebesar 62,3%. Sehingga dapat disimpulkan bahwa sistem penganalisa tulisan tangan yang dikembangkan cukup berhasil dalam mengidentifikasi ciri atau karakterisitik bentuk dari setiap tulisan tangan yang diujikan dan dapat dipergunakan sebagai alat bantu dalam mengenali/mengetahui kepribadian seseorang Daftar pustaka Absultanny, Y.A. 2003. “Pattern Recognition using Multilayer Neural Genetic Algorithm”. Neurocomputing. 237-247. Elseiver Science Coll, R. Fornes, A. Llados, J. 2009. “Graphological Analysis of Handwritten Text Documents for Human Resources Recruitment”, International Conference on Document Analysis and Recognition, IEEE Computer Society, DOI : 10.1109/ICDAR.2009.213 Howard, C. 1922. “Graphology”. The Pen Publishing Company. Philadelphia Huang, A. 2008. “Similarity Measures for Text Document Clustering”. New Zealand Computer Science Research Student Conference. Christchurch, New Zealand. Kamath, V. et al, 2011, “Development of An Automated Handwriting Analysis System”, Asian Research Publishing Network (ARPN) Journal of Engineering and Applied Sciences, Vol. 6, No.9, ISSN : 1819-6608 Kim, G. Torralba, A. 2009. “Unsupervised Detection of Region of Interest Using Iterative Link Analysis”. Massachusetts Institute of Technology Ludvianto, B. 2013, “Analisis Tulisan Tangan”, PT Gramedia Pustaka Utama. Jakarta Lu, G. 1999. “Multimedia Database Management Systems”. Artech House Inc. Poldrack, R.A. 2007. “Region of Interest Analysis for fMRI”. Oxford Journal. Vol.2. Issue 1. Pp 67-70. Los Angeles, USA. Pratiwi, D. 2012. “The Use of Self Organizing Map Method and Feature Selection in Image Database Classification System”, International Journal of Computer Science Issues (IJCSI), Vol. 9, Issue 3, No.2, ISSN: 1694-0814 Pratiwi, D. Santika, D. D, Pardamean, B. 2011. ”An Application of Backpropagation Artificial Neural Network Method for Measuring The Severity of Osteoarthritis”. International Journal of Engineering & Technology (IJET-IJENS), Vol. 11, No.3. ISSN : 117303-8585. Zhou, H. Schaefer, G and Shi, C. 2009. “Fuzzy C-Means Techniques for Medical Image Segmentation”. Fuzzy System in Bioinformatics and Computational Biology Studies in Fuzziness and Soft Computing. Vol. 242. Pp : 257-271. Springer-Verlag Berlin. ISSN : 14349922

82-6